用于表示学习的深度自表示概念分解网络
机器学习
2020-01-01 v4 机器学习
摘要
本文研究无监督深度表示学习问题，并从技术层面提出一种称为深度自表示概念分解网络（DSCF-Net）的新框架，用于聚类深度特征。为提升表示与聚类能力，DSCF-Net 显式地考虑发现隐藏的深度语义特征、增强深度分解对噪声的鲁棒性，并保留深度特征的局部流形结构。具体而言，DSCF-Net 将鲁棒深度概念分解、深度自表达表示与自适应局部保持特征学习无缝整合至统一框架中。为发现隐藏深度表示，DSCF-Net 利用多层线性变换设计分层分解架构，其中通过 formulate 各层基概念优化问题来间接改进表示。DSCF-Net 还首先通过子空间恢复进行稀疏误差校正以提升鲁棒性，随后在恢复出的视觉子空间中执行深度分解。为获得局部保持表示，我们提出自适应深度自表示加权策略，将系数矩阵作为自适应重构权重以保持表示的局部性。与若干相关模型的广泛对比结果表明，DSCF-Net 在多个公开数据库上取得了最先进的性能。
引用
@article{arxiv.1912.06444,
title = {Deep Self-representative Concept Factorization Network for Representation Learning},
author = {Yan Zhang and Zhao Zhang and Zheng Zhang and Mingbo Zhao and Li Zhang and Zhengjun Zha and Meng Wang},
journal= {arXiv preprint arXiv:1912.06444},
year = {2020}
}
备注
Accepted by SDM 2020